基于蒙特卡罗模拟的交通状态辨识

提出了一种基于蒙特卡罗模拟的利用交通流参数实现交通状态辨识的方法.采 用 FANNY 算法实现了四种交通状态的聚类分析;利用蒙特卡罗模拟方法建立了 SVC 交 通状态辨识模型;分别构建了固定窗口模型和滑动窗口模型对交通状态进行辨识并综合 评价.分析结果表明：该方法能够对实时交通流参数进行准确辨识,尤其是构建的滑动窗 口模型,对交通状态辨识平均精度、召回率和 F 度量分别为 97.98%、94.64%和 96.21%.本方 法可为分析高速公路交通状态演化规律和发展趋势,建立预测预警、应急处置和信息发 布等应急运行机制提供科学方法和数据支撑.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于模糊C均值聚类的城市道路交通状态判别

为及时判别城市道路交通状态,考虑城市道路交通特征的差异性和交通流的波动特性,对状态指标的合理性进行分析;将交通状态划分为畅通、缓行、拥堵、阻塞4类,提出一种基于模糊C均值聚类（FC M ）判别城市道路交通状态的算法。选取车速、流量、占有率作为交通状态判断指标,根据不同指标设计3种方案,用MATLAB模糊逻辑工具箱分析出仿真数据的聚类中心,对不同指标组合下的各样本交通状态进行判断,验证算法判别的可行性。结果表明,以速度、流量、占有率为参数的FCM算法能较好地判别城市道路交通状态,精度较高。     

区域路网交通信息提取方法

为提取区域路网交通信息,基于物元分析理论提出了道路交通状态的判别方法．将交通状态的判别结果作为决策属性,综合考虑道路等级、时间及交通参数,构造区域路网的交通流特征信息表．用粗糙集方法提取交通流特征．用区域路网交通流特征提取示例验证了提出的方法的有效性．该方法可实际应用于在线交通状态判别和历史数据库的交通信息提取．     

基于网格模型与K-Means算法的交通状态演变特征

为利用海量网约车轨迹数据实现对城市交通状态的高效识别与分类,对成都市网约车轨迹数据进行预处理,构建城市交通状态识别网格模型,根据模型判别网格的交通状态。利用K-Means聚类算法对不同时段的交通状态进行聚类,并将交通状态分为持续畅通型、轻度缓行型、持续缓行型、持续拥堵型4种类型,从时间维度和空间维度分析不同网格的交通状态演变特征。结果表明:研究区域内交通状态相对稳定,持续拥堵区域分散,持续缓行区域较为集中。基于网格模型与K-Means算法的交通状态识别方法能够实现对交通状态的快速判别与聚类,可实现对不同城市交通状态的识别。     

面向诱导的交通状态概率预报技术

为了获取准确客观的交通流运行状态信息,满足交通诱导的需求,综合考虑城市道路中交通流演变的随机性和复杂性,以及实时交通状态判别本身具有的不确定性,通过分析交通状态和影响因素之间的映射关系,提出了一种交通状态概率预报的Logistic回归模型. 该模型借助Logistic回归方法探讨交通状态和交通参数之间的函数关系,并对下一时段交通状态及其发生的概率进行预报. 最后结合实际数据,进行了不同预报时长的分级交通状态的概率预报实验,独立样本检验结果表明,该模型预报准确率高,稳定性好.     

基于多源轨迹数据的城市交通状态精细划分与识别

针对基于路段的城市交通状态分析方法的不足，本文利用公交车和出租车轨迹数据提出了城市交通状态精细划分和识别方法，实现城市交通状态分析.对两种轨迹点的速度值和空间位置值分别进行归一化处理，以此为属性数据，通过迭代计算轮廓系数确定k 值完成轨迹点聚类，结合二次处理方法对类簇进行拆分和融合以划分道路交通状态；在特征级建立多源数据融合方法，实现交通状态速度值计算；以归一化后的速度值为属性数据，通过聚类将样本分为4类对应4种城市交通流状态层级.实验表明，本文方法能够实现道路交通状态精细划分，能有效地识别出道路局部位置的交通状态，进而可为城市道路交通管理提供决策支持.     

基于投影寻踪动态聚类的快速路交通状态判别

为了提高快速路交通运行状态的判别精度,利用地点交通参数与交通状态之间的映射关系,提出了基于投影寻踪动态聚类模型的快速路交通状态判别方法.该方法综合投影寻踪技术和动态聚类方法构造投影指标函数,采用混合蛙跳算法优化投影指标函数的投影方向获得最佳投影方向,并利用仿真数据标定了交通状态判别阈值.结合仿真数据和实测数据进行了实验验证和对比分析.实验结果表明,投影寻踪动态聚类模型能够有效提高快速路交通状态判别精度,平均判别率为97.01%,平均误判率为0.86%,平均判别精度分别比BP神经网络模型和模糊C均值聚类模型方法提高了8.9%和4.5%.      

多源交通信息融合技术在重庆市智能交通诱导系统中的应用研究

由于特殊的地理条件和历史原因,重庆市道路交通信息采集设备形式多样,形成的交通信息数据格式和设备数据接口标准不尽相同,多源交通信息数据的存储、处理和使用过程中遇到了诸多困扰.为此,重庆市交通管理局与重庆市科委共同谋划了“重庆主城区交通诱导示范工程”项目,将多源交通信息数据融合技术作为项目研究的重点,采用数据融合技术对多源交通信息数据进行处理,通过判别算法实现对道路交通状态的实时判别,并利用VMS、WEB等多种形式进行道路交通状态的发布,从而实现对主城区路网交通流进行策略性分流的目标.     

基于综合投影的交叉口交通状态判别方法

交叉口交通状态的准确识别是实施交通信号控制策略的前提和基础,针对交 通状态识别问题,提出了基于综合投影的交叉口交通状态判别方法.首先,通过研究交叉 口各相位流量与绿信比之间的内在联系,建立流量和绿信比关系图,并从两相位控制交 叉口入手重点分析交叉口的交通状态;通过时间-排队图确定在不同交通状态下交叉口 各相位排队情况,从而与交通状态相匹配.其次,在两相位控制交叉口的基础上,通过投影 和反投影提出综合投影法,并最终建立适合多相位控制交叉口的交通状态判别方法.最 后,用该方法对实际路口的判别,验证本文方法的可行性和有效性.     

���������ģ�͵ij��п���·��ͨ״̬Ԥ�ⷽ���о�

道路交通状态预测是交通流诱导和交通信息发布系统的重要依据. 本文提出了一种基于最大熵模型的城市快速路交通状态预测方法,该方法通过提取影响交通状态的时间、空间等各种特征,运用最大熵模型训练得到各特征权重,直接预测道路交通状态等级. 最大熵模型能够有效融合时间、空间等多种特征,并且不需要考虑各特征之间的相关性,具有很强的适应性. 实验结果表明,基于最大熵模型直接预测交通状态等级同样具有较高的准确性. 最大熵模型的成功使用,也证实了将交通状态预测作为一种模式分类问题来解决的可行性,进一步扩展了交通状态预测的思路.     

基于最大熵模型的城市快速路交通状态预测方法研究

道路交通状态预测是交通流诱导和交通信息发布系统的重要依据. 本文提出了一种基于最大熵模型的城市快速路交通状态预测方法,该方法通过提取影响交通状态的时间、空间等各种特征,运用最大熵模型训练得到各特征权重,直接预测道路交通状态等级. 最大熵模型能够有效融合时间、空间等多种特征,并且不需要考虑各特征之间的相关性,具有很强的适应性. 实验结果表明,基于最大熵模型直接预测交通状态等级同样具有较高的准确性. 最大熵模型的成功使用,也证实了将交通状态预测作为一种模式分类问题来解决的可行性,进一步扩展了交通状态预测的思路.     

基于混合近端策略优化的交叉口信号相位与配时优化方法

交通信号优化控制是从供给侧缓解城市交通拥堵的重要手段,随着交通大数据技术的发展,利用深度强化学习进行信号控制成为重点研究方向。现有控制框架大多属于离散相位选择控制,相位时间通过决策间隔累积得到,可能与智能体探索更优动作相冲突。为此,本文提出基于混合近端策略优化(Hybrid Proximal Policy Optimization, HPPO)的交叉口信号相位与配时优化方法。首先在考虑相位时间实际应用边界条件约束下,将信号控制动作定义为参数化动作;然后通过提取交通流状态信息并输入到双策略网络,自适应生成下一相位及其相位持续时间,并通过执行动作后的交通状态变化,评估获得奖励值,学习相位和相位时间之间的内在联系。搭建仿真平台,以真实交通流数据为输入对新方法进行测试与算法对比。结果表明：新方法与离散控制相比具有更低的决策频率和更优的控制效果,车辆平均行程时间和车道平均排队长度分别降低了27.65%和23.65%。     

基于半监督哈希算法的交叉口交通状态识别

准确辨识交叉口交通状态是实施有效交通控制策略的前提. 传统交通状态识别方法是利用占有率、排队等统计数据设计指标实现状态识别，存在只能从单一角度刻画交叉口交通需求的问题. 对此，提出基于半监督哈希算法的交叉口交通状态识别方法. 从原始数据丰富特征入手，构建交叉口有效检测区域的图像化模型；将交叉口交通状态识别转化为图像搜索问题，利用监督哈希算法实现基于部分标签信息的图像搜索，进而得到交叉口的交通状态；最后，利用仿真对该方法进行了验证. 结果表明，所提方法在识别精度和速度上具有可行性和有效性.     

车联网环境下公交路径交通状态估计方法研究

传统感应线圈的交通状态估计方法已无法满足准确性和实时性的状态估计需要,为此提出了基于联网公交车辆实时速度的交通状态估计模型。所提模型借助实时信息采集系统的高效性和准确性的优势,对道路交通运行状态进行估计,同时利用卡尔曼滤波算法对交通状态变量进行更新。基于历史观测数据对更新后的交通状态变量进行修正,进而得到交通状态的估计值。通过采集数据并进行大量的实验,研究结果表明：基于联网公交实时速度的状态估计模型,在各种交通环境条件和占有率下,估计值误差指数（变异系数） 均小于15%,最大仅为13.15%;状态估计修正模型与状态估计模型相比,估计值误差指数下降了2%,总体误差优化性能提升了11.87%。在确保实时性和高效性的同时,基于联网公交车辆实时速度的交通状态估计模型解决了传统道路交通状态估计方法准确性低的问题。     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流，缓解高速公路交通拥堵现象，本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵，并利用滑动窗口模型获得输入样本的最佳长度；然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征，随后输出预测结果；最后，将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好，工作日的高速公路交通流预测精度远高于节假日，本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1，说明考虑多种因素可以提升高速公路交通流预测精度。     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷，提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构，完成长短时记忆模型的逐层构建，实现本地保存并根据预测精度进行自适应更新，将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明，提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型，具有较强的实用性.